释放无监督预训练潜力：基于身份内正则化的行人重识别
计算机视觉与模式识别
2021-12-02 v1 多媒体
摘要
现有行人重识别(ReID)方法通常直接加载ImageNet预训练权重进行初始化。然而，作为细粒度分类任务，ReID更具挑战性，且与ImageNet分类间存在较大领域鸿沟。受基于对比目标的自监督表示学习巨大成功的启发，本文设计了一种基于对比学习(CL)流程的ReID无监督预训练框架，称为UP-ReID。在预训练期间，我们试图解决学习细粒度ReID特征的两个关键问题：(1) CL流程中的增强可能扭曲行人图像中的判别线索；(2) 行人图像的细粒度局部特征未被充分挖掘。因此，我们在UP-ReID中引入身份内(I-)正则化，其具体实现为来自全局图像层面与局部块层面的两个约束：在增强与原始行人图像间强制全局一致性以提升对增强的鲁棒性，同时利用每幅图像局部块间的内在对比约束充分探索局部判别线索。在PersonX、Market1501、CUHK03和MSMT17等多个流行ReID数据集上的大量实验表明，我们的UP-ReID预训练模型能显著裨益下游ReID微调并达到最先进性能。代码与模型将发布于https://github.com/Frost-Yang-99/UP-ReID。
引用
@article{arxiv.2112.00317,
title = {Unleashing the Potential of Unsupervised Pre-Training with Intra-Identity Regularization for Person Re-Identification},
author = {Zizheng Yang and Xin Jin and Kecheng Zheng and Feng Zhao},
journal= {arXiv preprint arXiv:2112.00317},
year = {2021}
}
备注
Technical report, code: https://github.com/Frost-Yang-99/UP-ReID